MNIST是一個簡單的視覺計算數據集，它是像下面這樣手寫的數字圖片：

MNIST
每張圖片還額外有一個標簽記錄了圖片上數字是幾，例如上面幾張圖的標簽就是：5、0、4、1。
MINIST數據
MINIST的數據分為2個部分：55000份訓練數據（mnist.train）和10000份測試數據（mnist.test）。這個劃分有重要的象征意義，他展示了在機器學習中如何使用數據。在訓練的過程中，我們必須單獨保留一份沒有用于機器訓練的數據作為驗證的數據，這才能確保訓練的結果的可行性。
前面已經提到，每一份MINIST數據都由圖片以及標簽組成。我們將圖片命名為“x”，將標記數字的標簽命名為“y”。訓練數據集和測試數據集都是同樣的結構，例如：訓練的圖片名為 mnist.train.images 而訓練的標簽名為 mnist.train.labels。
每一個圖片均為28×28像素，我們可以將其理解為一個二維數組的結構：

數據1 ：28*28矩陣點
mnist.train.images 是一個形態為 [55000, 784] 的張量（tensor 55000份訓練數據）。第一個維度表示圖片個數的索引，第二個維度表示圖片中每一個像素的索引。每一個像素的取值為0或1，表示該像素的亮度。 mnist.train.images 可以理解為下圖這樣的空間結構：

MNIST的每一張圖片都有一個數值0~9的標記。我們將標簽數據設置為“flag vectors”。“flag vectors”是指一個向量只有一個維度的數據是1，其他維度的數據都是0。在本文例子中，標記數據的維度將設置為1，而其他維度設置為0。例如5的向量結構是[0,0,0,0,0,5,0,0,0,0]。所以 mnist.train.labels 是一個結構為 [55000, 10] 的張量。

Softmax回歸
MNIST中每一張圖片表示一個手寫體0到9的數字，所以每一張圖片所要表達的內容只有10種可能性。我們希望得到圖片代表某個數字的概率。舉個例子，一個模型當圖片上的手寫體數字是9時有80%的可能性識別的結果是9，還有5%的可能性識別出的結果是8。因這2者并沒有覆蓋100%的可能性，所有還有其他數字可能會出現。這是一個典型的softmax回歸案例。softmax回歸的作用是可以將概率分配給幾個不同的對象，softmax提供了一個值處于0到1之間的列表，而列表中的值加起來為1。
一個softmax回歸包含2步：首先根據輸入的數據提取該輸入屬于各個分類的“證據”（evidence），然后將這個證據轉換成一個概率值。
下圖形象的展示了softmax回歸的過程。Xj表示一個像素點（下圖中j=[1,2,3]）。然后通過像素點與權重Wij的乘積求和（下圖中i=[1,2,3]）再加上偏移量bi得到模型值，最后將模型進行softmax運算。

softmax
矩陣表示：

softmax矩陣
所以softmax回歸總結為y=softmax(Wx+b)

下期分享
以上就是mnist手寫數字識別的基本原理，下期我們使用TensorFlow來了解一下我們講述的CNN 與mnist手寫數字識別的過程。

微信搜索小程序：AI人工智能工具

體驗不一樣的AI 工具

新增作業批改功能，歡迎體驗

謝謝大家的點贊與轉發，關于分享的文章，大家有任何問題，可以在評論區一起探討學習！！！

總結

以上是生活随笔為你收集整理的matlab 对mnist手写数字数据集进行判决分析_人工智能TensorFlow（十四）MINIST手写数字识别...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。